Question

我有2个问题。

当我尝试将数据拆分为测试和训练集时，使用sample.split如下所示，抽样相当不明确。我的意思是数据d的长度为392，因此，4：1除法应显示0.8 * 392 = 313.6，即测试集中的313或314行，但显示的长度为304.有什么我可能的不见了？
```
require(caTools)
set.seed(101)
samplev = sample.split(d[,], SplitRatio= 0.80)
train = subset(d, samplev == TRUE)
test = subset(d, samplev == FALSE)
```

我尝试按如下方式使用拆分数据进行R中的逻辑回归任务，如下所示 -

#Training
m <- glm(mpg01~ . -name, data= train, family = binomial(link = 'logit'))
out2 <- predict.glm(m, test, type = "response")
class2 <- vector()
for (i in 1:length(out2))
{
  if(out2[i] >= 0.5)
  {
    class2[i] <- 1
  }
  else
  {
    class2[i] <- 0
  }
}
r2 <- table(class2, test$mpg01)  #confusion Matrix

我们的想法是不要使用＆＃39; name＆＃39;培训数据中的列。当我尝试在测试数据上运行构建的模型时，它显示以下内容 -

out2＆lt; - predict.glm（m，test，type =＆＃34; response＆＃34;）


model.frame.default中的错误（条款，newdata，na.action = na.action，xlev = object $ xlevels）：


因子名称有新级别amc ambassador sst，amc concord dl 6，amc pacer，amc pacer d / l，amc rebel sst，audi 100 ls，audi 5000，buick century 350，buick century limited，cadillac seville，capri ii ，雪佛兰bel air，雪佛兰骑士，雪佛兰骑士旅行车，雪佛兰蒙特卡洛，雪佛兰维加2300，克莱斯勒lebaron town @ country（sw），克莱斯勒新约克brougham，datsun 510掀背车，datsun b210 gx，datsun f-10两厢车，闪避白羊座马车（sw），闪避白杨6，闪避柯尔特硬顶，闪避马驹m / m，道奇飞镖定制，道奇马格姆xe，道奇横冲直撞，菲亚特124 tc，福特野马，福特野马ii，福特游侠，本田思域1500 gl，maxda rx3，mazda 626，mazda glc 4，mazda glc custom，mercedes-benz 240d，mercedes-benz 280s，mercury capri 2000，mercury marquis，oldsmobile cutlass ciera（柴油），peugeot 505s turbo diesel，plymouth＆＃39; cuda 340，普利茅斯狂暴格兰德轿车，普利茅斯大怒，普利茅斯地平线，普利茅斯地平线守财奴，普利茅斯地平线tc3，普利茅斯卫星，plymo

根据我的理解，不应该显示此错误，因为我们没有使用＆＃39;名称＆＃39;属性？或者，如果我们以某种方式使用它，当它没有意图时，我做错了什么？

Answer 1

问题1答案

sample.split函数期望第一个参数有一个向量，看起来你传递的是data.frame或matrix。这是一个显示不同行为的简单示例。

# Mock up some data
library(caTools)
df0 <- data.frame(
     y = as.factor(rbinom(392, 1, 0.75)),
     x1 = rnorm(392)
)

# sample.split with a data.frame as the first argument does not split 80/20 as expected
set.seed(101)
samplev = sample.split(df0, SplitRatio= 0.80)
train = subset(df0, samplev == TRUE)
test = subset(df0, samplev == FALSE)
nrow(train)
[1] 196
nrow(test)
[1] 196

# feed in your response variable as a vector to get the expected split
set.seed(101)
samplev = sample.split(df0$y, SplitRatio= 0.80)
train = subset(df0, samplev == TRUE)
test = subset(df0, samplev == FALSE)
nrow(train)
[1] 314
nrow(test)
[1] 78

问题2答案

虽然你所做的事情似乎是合理的，并且看起来它应该按照你期望的方式工作，但似乎并不是glm和最终model.frame函数如何处理引导下的公式。

首先，这里的代码将重现您正在做的事情以及您所看到的错误。

set.seed(123)
df <- data.frame(
    y = as.factor(rbinom(100, 1, 0.5)),
    x1 = rnorm(100),
    x2 = rnorm(100),
    name = c(rep('a',40), rep('b',30), rep('c', 30))
)
train <- df[1:70,]
test <- df[71:100,]
m <- glm(y~ . -name, data= train, family = binomial(link = 'logit'))
out2 <- predict.glm(m, test, type = "response")

现在请注意，当我直接使用您的公式致电model.frame时，它仍然包含name列。

head(model.frame(y~ . -name, data = train), 1)
  y        x1        x2 name
1 0 0.2533185 0.7877388    a

而不包含.列符号的公式将不包含该额外列。

head(model.frame(y~ x1 + x2, data = train), 1)
  y        x1        x2
1 0 0.2533185 0.7877388

在一天结束时，您似乎需要通过直接在公式中指定列，或者如果您继续使用.列符号，然后通过删除来解决此问题您要排除的列。

更具体地说，通过我的简单示例，解决方法1看起来像。

m <- glm(y~ x1 + x2, data= train, family = binomial(link = 'logit'))
out2 <- predict.glm(m, test, type = "response")

解决方法选项2看起来像。

m <- glm(y~ ., data= train[,names(train) != 'name'], family = binomial(link = 'logit'))
out2 <- predict.glm(m, test, type = "response")

使用R中的sample.split错误地拆分数据并使用逻辑回归进行问题

1 个答案: